一种卷积神经网络中的池化方法和池化模型技术

本发明专利技术公开了一种卷积神经网络中的池化方法和池化模型，设定局部池化计算阵列参数；将图像输入到卷积层进行卷积运算，获取图像的特征图并得出特征图的尺寸参数；若特征图的尺寸参数等于局部池化计算阵列参数，则动态分配使用平均值或最大值池化操作；若特征图的尺寸参数大于局部池化计算阵列参数，则根据局部池化计算阵列参数划分特征子图，计算特征子图特征值，判断任一个特征值是否大于其余平均值的二倍，若是，针对该局部池化采用最大值池化操作，否则采用平均值池化操作；重复上步骤直至完成逐级全局池化操作。本发明专利技术动态分配池化策略，可寻找到更好的全局池化值，使用动态分配池化策略和逐级全局池化策略后，模型准确率有较为明显的提升。

【技术实现步骤摘要】
一种卷积神经网络中的池化方法和池化模型
本专利技术涉及深度学习
，特别是指一种卷积神经网络中的池化方法和池化模型。
技术介绍
在卷积神经网络中，经常会应用到池化操作，池化层一般接在卷积层之后，通过池化来降低卷积层输出的特征向量，同时降低过拟合。因为图像具有一种“静态性”的属性，这也意味着在一个图像区域有用的特征极有可能在另一个区域同样适用。因此，为了描述较大的图像，一个很自然的想法就是对不同位置的特征进行聚合统计，例如，可以计算图像一个区域上的某个特定特征的平均值或最大值来代表这个区域的特征。因此在卷积神经网络中，常用的池化操作有平均值池化和最大值池化两类。技术背景：1.最常见的池化操作为平均值池化meanpooling和最大值池化maxpooling。2.平均值池化：计算图像区域的平均值作为该区域池化后的值。3.最大值池化：选图像区域的最大值作为该区域池化后的值。4.全局池化：全局池化即globalpooling，就是pooling的滑窗size和整张featurer>map的size本文档来自技高网...

【技术保护点】
1.一种卷积神经网络中的池化方法，其特征在于，具体包括以下步骤：/n步骤1，设定局部池化计算阵列参数n*n；/n步骤2，将图像输入到卷积层进行卷积运算，获取图像的特征图并得出特征图的尺寸参数；/n步骤3，若特征图的尺寸参数等于局部池化计算阵列参数，则根据特定区域的特征值，动态分配使用平均值池化操作或最大值池化操作；/n步骤4，若特征图的尺寸参数大于局部池化计算阵列参数，则根据局部池化计算阵列参数n*n划分特征子图，计算特征子图n*n个特征值，判断任一个特征值是否大于特征子图其余n*n-1个特征值的平均值的二倍，若是，则针对该局部池化采用最大值池化操作，否则采用平均值池化操作；/n步骤5，重复步...

【技术特征摘要】
1.一种卷积神经网络中的池化方法，其特征在于，具体包括以下步骤：
步骤1，设定局部池化计算阵列参数n*n；
步骤2，将图像输入到卷积层进行卷积运算，获取图像的特征图并得出特征图的尺寸参数；
步骤3，若特征图的尺寸参数等于局部池化计算阵列参数，则根据特定区域的特征值，动态分配使用平均值池化操作或最大值池化操作；
步骤4，若特征图的尺寸参数大于局部池化计算阵列参数，则根据局部池化计算阵列参数n*n划分特征子图，计算特征子图n*n个特征值，判断任一个特征值是否大于特征子图其余n*n-1个特征值的平均值的二倍，若是，则针对该局部池化采用最大值池化操作，否则采用平均值池化操作；
步骤5，重复步骤4直至完成逐级全局池化操作。


2.根据权利要求1所述的一种卷积神经网络中的池化方法，其特征在于，步骤3中，根据特定区域的特征值，动态分配使用平均值池化操作或最大值池化操作具体指的是
计算特征图的每个区域的特征值，判断任一个特征值是否大于特征图其余n*n-1个特征值的平均值的二倍，若是，则针对该局部池化采用最大值池化操作，否则采用平均值池化操作。


3.根据权利要求1或2所述的一种卷积神经网络中的池化方法，其特征在于，步骤1，设定局部池化计算阵列参数为2*2。


4.根据...

【专利技术属性】
技术研发人员：代笃伟，赵威，申建虎，王博，张伟，
申请(专利权)人：北京精诊医疗科技有限公司，
类型：发明
国别省市：北京;11